الكشف الآلي عن التصلب الجانبي الضموري بصورة مستقلة عن المريض باستخدام إشارات تخطيط كهربية العضلات وشبكة ALSNet

الملخص

يُعد التصلب الجانبي الضموري (Amyotrophic Lateral Sclerosis – ALS) اضطرابًا عصبيًا تقدميًا يؤثر في الخلايا العصبية الحركية، مما يؤدي إلى ضعف تدريجي وفقدان الوظيفة الحركية. ويوفر تخطيط كهربية العضلات (Electromyography – EMG) معلومات سريرية مهمة حول النشاط العصبي العضلي، ويمكن الاستفادة منه في دعم تشخيص التصلب الجانبي الضموري. ومع ذلك، قد يكون تفسير إشارات تخطيط كهربية العضلات أمرًا صعبًا بسبب خصائصها الزمنية والمورفولوجية المعقدة. في هذه الدراسة، يتم استكشاف نهج جديد قائم على التعلم العميق (ALSNet) لتصنيف إشارات تخطيط كهربية العضلات تلقائيًا إلى إشارات مرتبطة بالتصلب الجانبي الضموري وإشارات طبيعية. أُجريت التجارب باستخدام بيانات تخطيط كهربية العضلات المعالجة والمستخرجة من قاعدة بيانات N2001 EMGLAB المتاحة للعامة. شملت البيانات جميع الإشارات البالغ عددها 302 إشارة EMG، منها 151 إشارة طبيعية و151 إشارة لمرضى التصلب الجانبي الضموري، وقُسمت إلى 3,322 مقطعًا من إشارات EMG، مدة كل منها ثانية واحدة. واعتمدت الدراسة استراتيجية تقسيم للبيانات مستقلة عن المريض (Subject-Independent) لضمان تقييم أكثر موثوقية لقدرة النموذج على التعميم. تم تطوير شبكة ALSNet باستخدام إطاري Keras وTensorFlow، وتدريبها باستخدام خوارزمية التحسين Adam ودالة خسارة الانتروبيا المتقاطعة الثنائية (Binary Cross-Entropy). وتم تقييم أداء النموذج باستخدام الدقة، والحساسية، والنوعية، والدقة الإيجابية (Precision)، ودرجة F1، والدقة المتوازنة. حققت شبكة ALSNet على مجموعة الاختبار المستقلة دقة بلغت 97.74%، وحساسية 96.77%، ونوعية 98.59%، ودقة إيجابية 98.36%، ودرجة F1 بلغت 97.56%، ودقة متوازنة بلغت 97.68%. وتشير هذه النتائج إلى الإمكانات الواعدة لتقنيات التعلم العميق في تحليل إشارات تخطيط كهربية العضلات للكشف الآلي عن التصلب الجانبي الضموري، كما توفر أساسًا لتطوير دراسات مستقبلية باستخدام مجموعات بيانات سريرية أكبر وأكثر تنوعًا.